| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 道路目标国内外研究现状 | 第11-15页 |
| 1.2.1 基于机器学习的道路目标检测算法 | 第12-13页 |
| 1.2.2 基于深度学习的道路目标检测算法 | 第13-15页 |
| 1.3 主要工作 | 第15页 |
| 1.4 论文行文安排 | 第15-17页 |
| 第二章 基于级联分类器的道路目标检测 | 第17-24页 |
| 2.1 前言 | 第17页 |
| 2.2 图像预处理 | 第17-19页 |
| 2.2.1 图像灰度化 | 第17-18页 |
| 2.2.2 直方图均衡化 | 第18-19页 |
| 2.3 道路目标检测 | 第19-23页 |
| 2.3.1 Haar-like特征 | 第19-20页 |
| 2.3.2 Adaboost算法 | 第20-23页 |
| 2.3.3 积分图方法 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于词袋模型的道路目标识别 | 第24-36页 |
| 3.1 前言 | 第24页 |
| 3.2 特征提取 | 第24-27页 |
| 3.2.1 HOG特征 | 第24-25页 |
| 3.2.2 词袋模型 | 第25-27页 |
| 3.3 SVM分类算法 | 第27-32页 |
| 3.3.1 SVM算法的基本原理 | 第28-30页 |
| 3.3.2 核函数 | 第30-31页 |
| 3.3.3 SVM多分类器 | 第31-32页 |
| 3.4 实验与分析 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 安卓平台简述及其应用实现 | 第36-47页 |
| 4.1 前言 | 第36页 |
| 4.2 安卓应用的开发 | 第36-41页 |
| 4.2.1 安卓系统平台介绍 | 第36-38页 |
| 4.2.2 OpenCV视觉库介绍 | 第38-39页 |
| 4.2.3 JNI技术介绍 | 第39-40页 |
| 4.2.4 开发环境所需的软硬件介绍 | 第40-41页 |
| 4.3 道路目标识别系统的设计与实现 | 第41-44页 |
| 4.3.1 安卓客户端模块的实现 | 第41-42页 |
| 4.3.2 道路目标检测与识别模块的实现 | 第42-44页 |
| 4.3.3 APP功能概述 | 第44页 |
| 4.4 道路目标识别系统算法的测试 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于残差网络与Faster RCNN的道路目标识别 | 第47-64页 |
| 5.1 前言 | 第47页 |
| 5.2 卷积神经网络的原理 | 第47-53页 |
| 5.3 基于卷积神经网络的目标检测框架 | 第53-57页 |
| 5.4 改进的目标检测框架 | 第57-60页 |
| 5.5 实验与分析 | 第60-63页 |
| 5.6 本章总结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文工作总结 | 第64页 |
| 6.2 未来工作展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |